خبير استثمار الشرائح الأمريكية: يتصدر TPU من Google مؤقتًا، لكن بطاقة NVIDIA GPU تمتلك ميزة طويلة الأمد

مستشار استثمار الشرائح الدقيقة Gavin Baker يوضح في أحدث مقابلة الفروقات بين GPU (Hopper، Blackwell) و Google TPU بشكل معمق، بما يشمل من نواحٍ تقنية، أداء، تكلفة وتعاون تشغيلي. وأشار إلى أن Google TPU يتقدم مؤقتًا في المدى القصير، لكن من الناحية طويلة الأمد، لا تزال بيئة NVIDIA GPU تتمتع بسيطرة أقوى على السوق.

GPU هو منصة متكاملة، و TPU هو دائرة متكاملة خاصة التطبيق ASIC

قال Baker إن الاختلافات في مسرعات الذكاء الاصطناعي بدأت تظهر من أدنى مستوى من فلسفة التصميم. تؤكد NVIDIA في GPU، من Hopper، Blackwell إلى Rubin المستقبلي، على أن تكون منصة متكاملة، حيث أن كل شيء من نواة GPU، تقنية الاتصال ثنائي الاتجاه NVLink، بطاقات الشبكة، المبدلات، إلى CUDA، TensorRT وغيرها من البرمجيات، كلها من تصميم NVIDIA. بعد شراء الشركات لـ GPU، يكون لديها بيئة كاملة جاهزة للتدريب والاستنتاج مباشرة، دون الحاجة لتجميع الشبكات أو إعادة كتابة البرمجيات.

بالمقابل، Google TPU (v4، v5e، v6، v7) جوهريًا هي دائرة متكاملة خاصة التطبيقات ASIC، وهي مصممة خصيصًا لعمليات AI. تتولى Google تصميم المنطق الأمامي، لكن الجزء الخلفي يُصنع بواسطة Broadcom(، ثم يُنتج بواسطة TSMC). باقي مكونات TPU الأساسية، مثل المبدلات، بطاقات الشبكة وبيئة البرمجيات، تحتاج Google إلى دمجها بنفسها، مما يجعل سلسلة التوريد أكثر تعقيدًا بكثير من GPU.

بشكل عام، ميزة GPU لا تكمن في أداء كل شريحة على حدة، بل في مدى تكامل المنصة والنظام البيئي. وهذا هو السبب في أن الفجوة بين الاثنين تزداد وضوحًا.

Blackwell يحقق قفزة كبيرة في الأداء، و TPU v6/v7 يواجه ضغوطًا أكبر

ذكر Baker أن الفجوة في الأداء بين GPU و TPU تتضح أكثر في عام 2024-2025. GB200 إلى GB300 من Blackwell يمثلان قفزة كبيرة في الهيكلية، مع اعتماد تصميم تبريد بالسائل، حيث يستهلك كل وحدة حاوية حوالي 130 كيلو وات، وتعقيدها العام غير مسبوق. من المتوقع أن يتم نشرها على نطاق واسع خلال ثلاثة أو أربعة أشهر، وما زالت في مرحلة حديثة جدًا.

الجيل التالي GB300 يمكن أن يُركب مباشرة في حاوية GB200، مما يسرع وتيرة توسع الشركات، و xAI، بسبب سرعته في بناء مراكز البيانات، يُنظر إليه كأول العملاء الذين يمكنهم استغلال أداء Blackwell بشكل كامل. ويُشبه Baker الأمر قائلاً:

“إذا وُصف Hopper بأنه الطائرة الأكثر تقدمًا في نهاية الحرب العالمية الثانية، فإن TPU v6/v7 يشبه F-4 Phantom، وهو من جيلين أقدم. أما Blackwell فهو F-35، وهو مستوى أداء مختلف تمامًا.”

يوضح ذلك أن مستوى عتاد TPU v6/v7 و Blackwell مختلف، ويشير أيضًا إلى أن Google Gemini 3 حاليًا لا يزال يستخدم TPU v6/v7، وليس أجهزة Blackwell. على الرغم من أن Google يمكنها تدريب نماذج عالية المستوى مثل Gemini 3 باستخدام TPU v6/v7، إلا أن إطلاق سلسلة Blackwell على نطاق واسع سيزيد من الفارق في الأداء بين الهيكلين.

كانت TPU سابقًا أرخص حل، ولكن GB300 سيغير الموازين

قال Baker إن الميزة الأهم لـ TPU في الماضي كانت انخفاض تكاليف التدريب عالميًا. واستخدمت Google هذه الميزة بشكل فعال لضغط مساحة التمويل والتشغيل للمنافسين.

لكن، يوضح Baker أنه بمجرد نشر GB300 على نطاق واسع، فإن الشركات التي ستعتمد على GB300 ستصبح صاحبة أقل تكلفة للتدريب، خاصة تلك التي تمتلك قدرات تكامل عمودية وتبني مراكز بياناتها بشكل داخلي، مثل xAI. وإذا تمكنت OpenAI من تخطي حدود القدرة الحاسوبية في المستقبل وامتلكت القدرة على بناء أجهزة خاصة بها، فربما تنضم أيضًا إلى صف GB300.

وهذا يعني أنه بمجرد أن تفقد Google تفوقها في التكاليف، فإن استراتيجيتها السعرية السابقة ستصبح غير قابلة للاستمرار، وسيتم إعادة توزيع السيطرة على تكاليف التدريب من TPU على مدى طويل إلى GB300.

توسعة GPU وتعاونها أسرع، ودمج TPU أكثر عبئًا

كلما زادت سرعة تطور النماذج الكبيرة، زادت الحاجة إلى تشغيل كبير ومتعاون لـ GPU، وهو أحد الأسباب التي جعلت GPU تتفوق على TPU في السنوات الأخيرة. أشار Baker إلى أن مجموعات GPU عبر NVLink يمكن أن تصل إلى 200,000 إلى 300,000 وحدة GPU، مما يسمح باستخدام ميزانية تدريب أكبر لنماذج ضخمة. مراكز البيانات الكبيرة التي أنشأتها xAI بسرعة تضغط على NVIDIA لإطلاق حلول تحسين مبكر، مما يعجل تطور منظومة GPU بالكامل.

أما TPU، فبسبب الحاجة إلى دمج المبدلات والشبكات بشكل داخلي، والتنسيق مع Broadcom و TSMC في سلسلة التوريد، فإن مستوى التعقيد الهندسي أعلى بكثير من GPU.

توجه GPU نحو إصدار كل سنة، وابتكار TPU محدود بسلسلة التوريد

ذكر Baker أن استجابةً لضغوط المنافسة من ASIC، تسرع NVIDIA و AMD من وتيرة التحديثات، حيث تتجه GPUs نحو إصدار جديد كل سنة تقريبًا. وهذه وتيرة تعتبر ميزة كبيرة لعصر النماذج الكبيرة، حيث أن توسع حجم النماذج لن يتوقف تقريبًا.

أما سرعة تحديث TPU فهي أكثر محدودية، إذ استغرقت كل من إصدارات v1، v4، وحتى v6 سنوات حتى أصبحت ناضجة. وبالنسبة للإصدارات المستقبلية مثل v8 وv9، فإن سلسلة التوريد التي تشمل Google، Broadcom، TSMC وغيرها، تعوق سرعة التطوير والتحديث مقارنة بـ GPU. لذلك، خلال الثلاث سنوات القادمة، ستصبح ميزة سرعة التحديث في GPU أكثر وضوحًا.

(الفرق التقني بين GPU من NVIDIA و TPU من Google وشريحة الذكاء الاصطناعي التي تطورها Amazon AWS ومستقبل السوق)

ثلاثة عمالقة يقتربون بشكل واضح من NVIDIA، و Google تتراجع إلى وراء TPU

حاليًا، أكبر أربعة مطوري نماذج متقدمة هم OpenAI، Gemini (Google)، Anthropic و xAI، ولكن الاتجاه العام يتجه بشكل متزايد نحو دعم NVIDIA.

قال Baker إن Anthropic وقعت عقد شراء طويل الأمد بقيمة 5 مليارات دولار مع NVIDIA، مما يربطها رسميًا بصف GPU. و xAI هو أكبر عميل مبكر لـ Blackwell، ويستثمر بشكل كبير في بناء مراكز GPU. أما OpenAI، بسبب الحاجة لاستئجار قدرات حوسبة من الخارج، فتكاليفها مرتفعة، وتأمل حاليًا حل مشكلة قيود القدرة الحاسوبية على المدى الطويل من خلال خطة Stargate.

من بين الأربعة، Google هي الوحيدة التي تستخدم TPU بشكل كبير، لكنها تواجه تحديات في انخفاض تنافسية تكاليف TPU، وبطء وتيرة التحديث. وبذلك، تتشكل ملامح سوق تنافسي بثلاثة ضد واحد، حيث تتركز القدرات الحاسوبية لـ OpenAI، Anthropic، و XAI في صفوف GPU، بينما Google تبقى معزولة في صف TPU.

(الأداء المالي لشركة NVIDIA: إيرادات قوية، وتفجر أعمال مراكز البيانات المدعومة بالذكاء الاصطناعي، هسين هونغ: Blackwell يبيع حتى يُنفد من المخزون)

هذه المقالة بعنوان “مستشار استثمار الشرائح الدقيقة: Google TPU يتصدر مؤقتًا، لكن NVIDIA GPU لديها ميزة طويلة الأمد” ظهرت أولاً على شبكة 链新闻 ABMedia.